AnswersPublished18 sources
DeepSeek V4 Pro en Harness: waarom de agentruntime belangrijker kan zijn dan het model
DeepSeek bracht op 13 augustus 2026 V4 Pro uit naast Harness v0.1, een onder de MIT licentie gepubliceerd ontwikkelaarsvoorbeeld en geen afgewerkt eindgebruikersproduct. Composio zag dezelfde DeepSeek V4 Flash in acht runtimes tussen 14 en 20 van 30 taken voltooien; in totaal slaagden 129 van 240 runs.
Gepubliceerd doorBewerkt met GPT-5.6 LunaAfbeeldingen gegenereerd met GPT Image 1.5
Research answer
Key takeaways
- DeepSeek bracht op 13 augustus 2026 V4 Pro uit naast Harness v0.1, een onder de MIT licentie gepubliceerd ontwikkelaarsvoorbeeld en geen afgewerkt eindgebruikersproduct.
- Composio zag dezelfde DeepSeek V4 Flash in acht runtimes tussen 14 en 20 van 30 taken voltooien; in totaal slaagden 129 van 240 runs.
- Harness is gebouwd op Cordis en maakt vrijwel elk onderdeel vervangbaar als plugin: van modeladapter en tools tot sessies, opslag, sandbox, planning en de agentlus.
- Traceerbare sessielogs kunnen evaluatie en iteratieve ontwikkeling ondersteunen, maar geheugen en zelfevolutieplugins bewijzen niet dat Harness zelfstandig betrouwbaar leert.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: What were DeepSeek’s August 13, 2026 announcements of the official DeepSeek V4 Pro and the MIT-licensed developer preview of DeepSeek Harnes. Article summary: On August 13, DeepSeek paired the official release of DeepSeek V4 Pro—its agent-work-oriented flagship—with Harness v0.1, an MIT-licensed, source-available developer preview for people building agent runtimes rather than. Topic tags: general, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fa
DeepSeek combineerde op 13 augustus 2026 twee verschillende lagen van zijn AI-stack: het officiële DeepSeek V4 Pro, gericht op taken waarbij een AI-agent zelfstandig meerdere stappen uitvoert, en DeepSeek Harness v0.1, een ontwikkelaarsvoorbeeld onder de MIT-licentie voor het bouwen en aanpassen van agentruntimes. 32
20
De strategische boodschap gaat daarmee verder dan een nieuwe modelrelease. In de praktijk werkt een agent nooit met alleen een taalmodel. De runtime eromheen bepaalt welke context het model krijgt, welke tools het mag gebruiken, hoe informatie wordt opgeslagen, welke uitvoeringsregels gelden en wat er gebeurt als een stap mislukt. Tests van Composio suggereren dat die omliggende softwarelaag prestaties en kosten aanzienlijk kan veranderen, zelfs wanneer het onderliggende model gelijk blijft. 3
Twee aankondigingen op dezelfde dag
DeepSeek lanceerde V4 Pro naast Harness v0.1. Harness wordt gedistribueerd als dsh en is bedoeld als infrastructuur voor ontwikkelaars die zelf agentruntimes bouwen. Het project wordt niet gepresenteerd als een volwassen, kant-en-klaar alternatief voor producten als Claude Code of Codex. 32
20
De keuze voor de MIT-licentie is daarbij belangrijk. Ontwikkelaars kunnen de code inspecteren, aanpassen en uitbreiden. Volgens de documentatie heeft Harness bovendien een modelonafhankelijke opzet: gebruikers kunnen met verschillende modelaanbieders werken en worden dus niet noodzakelijk aan één model vastgezet. 22
28
Dezelfde DeepSeek, andere uitkomst
Composio liet hetzelfde DeepSeek V4 Flash-model draaien in acht verschillende agent-harnesses op 30 meerstapstaken. Van de 240 runs waren er 129 succesvol, goed voor een totaalpercentage van 53,8 procent. Slechts zes van de dertig workflows werden door iedere harness succesvol afgerond. 3
De verschillen tussen de runtimes waren duidelijk:
- Pi Agent voltooide 20 van de 30 taken.
- Oh My Pi kwam uit op 17 van de 30.
- Claude Code, Codex en DeepAgents voltooiden elk 16 van de 30.
- Hermes Agent haalde 15 van de 30.
- OpenCode voltooide 14 van de 30.
Ook de gerapporteerde kosten liepen uiteen. Composio schatte de kosten per succesvolle taak op ongeveer $0,195 voor Claude Code, $0,081 voor Codex en $0,045 voor DeepAgents. Voor Pi Agent werd ongeveer $0,028 gemeld, al moeten deze bedragen worden gelezen in het licht van de gebruikte methode en het verschillende gedrag van elke runtime. 3
Dit is geen universele ranglijst van agentproducten. De test ondersteunt wel een beperktere, maar belangrijke conclusie: benchmarks van losse modellen vertellen niet het hele verhaal over agentprestaties. De praktische vergelijking wordt steeds vaker die van een model-plus-harness-configuratie.
Wat DeepSeek Harness wil bieden
Harness is gebouwd op Cordis, een raamwerk waarin runtimefuncties als plugins beschikbaar worden gesteld. In de architectuurdocumentatie van DeepSeek worden onder meer de modeladapter, toolregistry, sessielog en agentlus als vervangbare onderdelen beschreven. 17
Andere plugin-grenzen omvatten volgens de beschikbare documentatie:
- model- en provideradapters;
- tools en vaardigheden;
- sessies en opslag;
- sandboxomgevingen en uitvoering;
- planning en coördinatie van subagents;
- de agentlus; en
- de gebruikersinterface.
Zo wordt het taalmodel losgekoppeld van de software die van één antwoord een doorlopend agentproces maakt. Ontwikkelaars kunnen aanpassen hoe context wordt samengesteld, hoe tools worden aangeroepen, hoe toestand wordt bewaard en hoe fouten opnieuw worden geprobeerd, zonder de volledige runtime opnieuw te moeten bouwen. 17
20
De slogan dat “alles een plugin is” is daarom meer dan een technische verpakkingskeuze. Hij zet juist de harnesslaag — het gebied tussen model en werkomgeving — centraal bij experimenten met agents.
Volledig traceerbare sessies
DeepSeek zegt dat Harness in een append-only sessielog vastlegt wat het model ziet en doet. Daaronder vallen onder meer systeemprompts, redeneringen, toolaanroepen en resultaten, de planning van subagents en toevoegingen aan de context. In de Trajectory-weergave kunnen ontwikkelaars deze gebeurtenissen bekijken. Hervatten, forken, zoeken en afspelen werken op dezelfde gebeurtenissenstroom. 22
Voor ontwikkelaars levert dat verschillende voordelen op:
- Debugging: een fout kan worden onderzocht als een reeks contextwijzigingen en acties, in plaats van alleen via het uiteindelijke antwoord.
- Reproduceerbaarheid: een workflow kan opnieuw worden afgespeeld nadat een prompt, tool of plugin is aangepast.
- Experimenten met vertakkingen: een traject kan worden geforkt om een alternatieve aanpak te testen, terwijl de oorspronkelijke run behouden blijft.
- Evaluatiemateriaal: geslaagde en mislukte trajecten kunnen worden gebruikt om nieuwe tools, prompts, beleidsregels of agentlussen te testen.
Daarmee ontstaat een mogelijke verbetercyclus: voer een taak uit, bekijk het traject, zoek de oorzaak van de fout, pas een plugin aan, voer de workflow opnieuw uit en bewaar het resultaat. Een systeem dat trajecten vastlegt en opnieuw afspeelt, is echter niet automatisch een zelflerend systeem. De beschikbare informatie ondersteunt Harness als controleerbare basis voor iteratieve ontwikkeling — niet als bewijs voor betrouwbare autonome verbetering. 22
Geheugen en zelfevolutie: belangrijke nuance
In het ecosysteem rond Harness bestaan inmiddels externe projecten die geheugen over meerdere sessies en zelfevolutie op de achtergrond aanbieden. 18
19
Die projecten laten zien dat de pluginarchitectuur ruimte biedt voor blijvend geheugen, projectgeschiedenis, zelfevaluatie en beheer van vaardigheden. Ze bewijzen niet dat de basisrelease v0.1 zelf veilig en algemeen toepasbare continue zelfverbetering uitvoert. Optionele plugins, experimentele integraties en kernfuncties van het product moeten dus niet op één hoop worden gegooid.
Voor productiegebruik zullen teams bovendien moeten kijken naar gegevensbewaring, toegangsrechten, isolatie van sandboxen, omgang met inloggegevens, terugdraaigedrag en het risico dat een geautomatiseerd systeem zijn eigen tools of werkwijzen aanpast.
De strategische inzet: het ontwikkelaarsportaal bezitten
Met V4 Pro en V4 Flash kan DeepSeek concurreren op modelniveau. Met Harness probeert het bedrijf invloed te krijgen op de laag waar ontwikkelaars beslissen hoe zulke modellen worden ingezet.
Die laag bepaalt onder meer:
- welk model wordt gekozen;
- hoe context wordt samengesteld en ingekort;
- welke tools en rechten beschikbaar zijn;
- hoe langdurige taken worden hervat;
- hoe fouten worden herkend en hersteld;
- hoe trajecten worden geëvalueerd; en
- welke plugins onderdeel worden van de agentworkflow.
Door de runtime open te stellen, nodigt DeepSeek ontwikkelaars uit om adapters, tools, geheugenfuncties en workflowpatronen rond zijn architectuur te bouwen. Tegelijk kan het bedrijf invloed houden op het instappunt voor ontwikkelaars, ook als Harness meerdere modelaanbieders ondersteunt. Dat kan op termijn een duurzamere positie opleveren dan uitsluitend concurreren met modelgewichten of API-prijzen.
De aanpak biedt ook een route naar AI-ondersteunde AI-ontwikkeling. Een agent zou kunnen helpen een plugin te schrijven, mislukte trajecten te analyseren, een wijziging voor te stellen, een evaluatie uit te voeren en de herkomst van experimenten te bewaren. Voorlopig is het verstandiger dit te zien als infrastructuur voor een technische feedbacklus — niet als een afgeronde zelfverbeterende agent.
Waarom het label ‘v0.1’ ertoe doet
De status als ontwikkelaarsvoorbeeld is essentieel om de release goed te begrijpen. DeepSeek nodigt uit tot experimenteren en gezamenlijk ontwikkelen, maar API’s, integraties, beveiligingsmaatregelen en operationeel gedrag kunnen nog veranderen. 20
Harness moet daarom worden beoordeeld als een open framework en onderzoeksplatform. Ontwikkelaars moeten niet aannemen dat het al dezelfde betrouwbaarheid, afwerking of veiligheidswaarborgen biedt als een volwassen coding-agentproduct.
De kern
De aankondigingen van 13 augustus koppelden een modelrelease aan een infrastructuurstrategie. V4 Pro levert het vlaggenschipmodel, terwijl Harness de runtime blootlegt die bepaalt hoe een model met tools, context, geheugen en langdurige taken werkt. 32
20
De resultaten van Composio maken duidelijk waarom dat onderscheid telt: hetzelfde V4 Flash-model voltooide afhankelijk van de harness 14 tot 20 van de geteste taken, terwijl ook de gerapporteerde kosten sterk verschilden. 3 Met zijn pluginarchitectuur en traceerbare trajecten biedt Harness DeepSeek een geloofwaardige basis voor experimenten, evaluatie en AI-ondersteunde engineering. Dat betekent nog niet dat continue zelflering betrouwbaar is opgelost — wel dat de harnesslaag een van de belangrijkste strijdtonelen kan worden in de volgende fase van agentontwikkeling.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "DeepSeek V4 Pro en Harness: waarom de agentruntime belangrijker kan zijn dan het model"?
DeepSeek bracht op 13 augustus 2026 V4 Pro uit naast Harness v0.1, een onder de MIT licentie gepubliceerd ontwikkelaarsvoorbeeld en geen afgewerkt eindgebruikersproduct.
What are the key points to validate first?
DeepSeek bracht op 13 augustus 2026 V4 Pro uit naast Harness v0.1, een onder de MIT licentie gepubliceerd ontwikkelaarsvoorbeeld en geen afgewerkt eindgebruikersproduct. Composio zag dezelfde DeepSeek V4 Flash in acht runtimes tussen 14 en 20 van 30 taken voltooien; in totaal slaagden 129 van 240 runs.
What should I do next in practice?
Harness is gebouwd op Cordis en maakt vrijwel elk onderdeel vervangbaar als plugin: van modeladapter en tools tot sessies, opslag, sandbox, planning en de agentlus.